فناوری هوش مصنوعی سبز
آموزش‌های پایه‌ای هوش مصنوعیآموزش‌های پیشرفته هوش مصنوعیاصول هوش مصنوعیداده کاوی و بیگ دیتاکاربردهای هوش مصنوعی

فناوری هوش مصنوعی سبز چه نیازهایی دارد

    1
    مدت زمان مطالعه: ۵ دقیقه

    فناوری هوش مصنوعی سبز و کلان‌داده‌ها نقش پررنگی در کربن‌زدایی ایفا می‌کنند. این فناوری‌ها طیف وسیعی از حوزه‌های گوناگون را تحت تأثیر قرار می‌دهند که از جمله‌ی آن‌ها می‌توان به بهینه‌سازی شبکه‌های تولید برق و حتی پیش‌بینی تغییرات آب و هوا اشاره کرد. با این حال، بدون چارچوب‌ها و قوانین جدید، آسیب‌های ناشی از فناوری‌های دیجیتال می‌تواند از فواید آن‌ها پیشی بگیرد.

    داده‌ها با جزئیات فراوان از مقیاس وسیع تغییرات جوی خبر داده بودند، حتی مدت‌ها قبل از این‌که این مسئله به عنوان مشکلی جدی صدر خبرها را به خود اختصاص دهد. این داده‌ها از بروز شرایط وخیمی حکایت داشتند، مربوط به الگوهای جوی و دمای آب‌ها می‌باشند و طی چندین دهه به دقت جمع‌آوری و به مدل‌ها تغذیه شده‌اند.

    مدل‌ها بعد از تجزیه و تحلیل داده‌ها، به پیش‌بینی و توضیح تأثیر اقدامات انسانی روی وضعیت جوی زمین پرداختند. اکنون با این واقعیت هولناک روبرو شده‌ایم و یکی از بزرگ‌ترین مسائلی که حداقل تا چندین سال آینده درگیر آن خواهیم بود این است که چطور می‌توان به کمک رویکردهای داده‌بنیان بر مشکلات جوی و آب و هوایی غلبه کرد.

    استفاده از فناوری هوش مصنوعی سبز برای رفع مشکلات

    طبق پیش‌بینی‌ها، داده‌ها و فناوری‌هایی همچون هوش مصنوعی در این میان نقش مهمی بر عهده خواهند داشت. اما این در صورتی است که در نحوه‌ی مدیریت داده‌ها تغییراتی عمده و اساسی ایجاد کنیم تا فناوری هوش مصنوعی سبز داشته باشیم. بدین منظور باید از مدل‌های تجاری خصوصی که در حال حاضر بر اقتصادهای توسعه‌یافته‌ی دنیا سیطره دارند اجتناب کنیم.

    در نگاه اول، دنیای دیجیتال دوستدار محیط زیست به نظر می‌رسد؛ برای مثال، همانطور که می‌دانیم، کار مجازی که به کمک سامانه‌هایی همچون زوم میسر شده، نیاز به رانندگی بین محل کار و زندگی را از بین برده است و این یکی از کابردهای مفید فناوری هوش مصنوعی سبز است. با این حال، فعالیت‌های اینترنتی و دیجیتال در ایجاد ۷/۳% گازهای گلخانه‌ای نقش دارند، عددی که به میزان گاز گلخانه‌ای تولیدشده در مسافرت‌های هوایی نزدیک است. در ایالات متحده مراکز داده نزدیک به ۲% مصرف کل برق را به خود اختصاص می‌دهند.

    این آمار و ارقام در حوزه‌ هوش مصنوعی از این هم بدتر هستند. طبق یکی از برآوردهای صورت‌گرفته، فرآیند آموزش یک الگوریتم یادگیری ماشین ۲۸۴,۰۰۰ کیلوگرم کربن دی‌اکسید تولید می‌کند؛ یعنی ۵ برابر میزانی که در تمام عمر یک خودروی معمولی تولید می‌شود و یا ۶۰ برابر آن‌چه از پرواز هواپیما در طول اقیانوس اطلس به وجود می‌آید.

    در نتیجه تا تبدیل شدن به فناوری هوش مصنوعی سبز فاصله زیادی دارد. پیش‌بینی می‌شود با رشد سریع هوش مصنوعی، این عدد نیز شیب افزایشی تندی در پی داشته باشد. بلاک‌چین که فناوری زیربنایی ارز دیجیتال بیت‌کوین است را احتمالاً می‌توان آسیب‌زاترین فناوری موجود از این نظر دانست. میزان کربن‌دی اکسید تولیدشده طی استخراج بیت‌کوین (فرآیند محاسباتی لازم برای اعتبارسنجی معاملات) تقریباً برابر با میزان گازی است که کشور نیوزیلند تولید می‌کند.

    فناوری هوش مصنوعی سبز و کاهش تولید CO2

    خوشبختانه، فناوری هوش مصنوعی سبز می‌تواند به روش‌های گوناگون تولید CO2 را کاهش دهد. ساختمان‌سازی، تولید برق، حمل و نقل و کشاورزی از جمله حوزه‌هایی هستند که می‌توانند از این فناوری در این راستا بهره ببرند. حوزه‌ی تولید برق که نزدیک به یک سوم کل گازهای گلخانه‌ا را تولید می‌کند در این زمینه بیش از همه پیشرفت کرده است.

    درصد تقریباً کمی از شرکت‌های بزرگ این حوزه دریافته‌اند که هوش مصنوعی به بهینه‌سازی شبکه‌های برق کمک می‌کند؛ شبکه‌های برق می‌توانند ورودی‌های گوناگونی داشته باشند که انرژی‌های تجدیدپذیر و متناوب همچون باد را نیز در برمی‌گیرد. این شبکه‌ها از الگوهای مصرف پیچیده‌ای پیروی می‌کنند. یکی از پروژه‌های هوش مصنوعی DeepMind گوگل به هدف بهبود پیش‌بینی الگوی وزش باد طراحی شد تا به مصرف باد قابلیت پیش‌بینی پذیری دهد؛ بدین منظور، برنامه‌های زمانی مربوطه از یک روز پیش در اختیار شبکه‌های برق قرار می‌گیرند.

    تکنیک‌های دیگری هم وجود دارند که هوش مصنوعی را قادر می‌سازند همانطور که الگوهای آب و هوا یا هجوم آفات را پیش‌بینی می‌کند، جریان ترافیک خودروها را نیز پیش‌بینی و دقت مدیریت کشاورزی را افزایش دهد.

    اما خود غول‌های فناوری به ندرت در مدیریت بحران جوی مشارکت داشته‌اند. برای مثال، اپل که مانند بسیاری دیگر از کارخانجات تولید سخت‌افزار سهم عظیمی در تولید زباله‌های الکترونیک دارد، تحت فشار تولید نسل‌های جدید آیفون و آی‌پد، از مسائل محیط زیستی غافل شده و فناوری هوش مصنوعی سبز را فراموش کرده است.

    فیسبوک نیز برای مدتی طولانی، یعنی تا قبل از این‌که سال گذشته «مرکز آنلاین اطلاعات علمی جوی» را راه‌اندازی کند، در مورد این موضوع سکوت کرده بود. آمازون هم تا قبل از شروع «کمک‌هزینه‌ ۱۰ میلیاردی بزوس به نام زمین» در سال گذشته هیچ اقدام عملی در این زمینه انجام نداده بود. این گام‌ها پیشرفت خوبی به شمار می‌روند، اما سؤال اینجاست چرا این شرکت‌ها اینقدر دیر به این عرصه پیوستند؟

    استفاده از هوش مصنوعی در تولیدات بدون آلاینده

    پاسخ دیرهنگام غول‌های فناوری بازتابی از مشکلی عمیق‌تر است که هنگام به کارگیری هوش مصنوعی در تولیدات بدون آلاینده نمایان می‌شود. داده‌ها نقش سوختی را دارند که برای همه‌ی سیستم‌های هوش مصنوعی ضروری است؛ حجم عظیمی داده در مورد آن‌چه در شبکه‌های انرژی، ساختمان‌ها، سیستم‌های حمل و نقل و غیره اتفاق می‌افتد در دست است، اما تقریباً همگی این داده‌ها خصوصی بوده و بین شرکت‌ها به اشتراک گذاشته نمی‌شوند.

    برای بهره‌مندی حداکثری از این منبع حیاتی (برای نمونه، آموزش نسل‌های جدید هوش مصنوعی)، دیتاست‌ها باید متن‌باز بوده، از ساختاری استاندارد پیروی کرده و به اشتراک گذاشته شوند.

    در حال حاضر مجموعه‌ای از اقدامات برای رسیدن به این مهم در حال انجام است. داشبورد ۴۰ Knowledge Hub ابزاری تعاملی است که به رهگیری تولیدات سراسر دنیا کمک می‌کند. سازمان‌های غیردولتی همچون Carbon Tracker از داده‌های ماهواره‌ای استفاده می‌کنند تا محل تولیدات زغال را مشخص کنند.

    در این میان می‌توان به پروژه‌ی Icebreaker One نیز اشاره کرد که هدفش، افزایش درک سرمایه‌گذاران از اثر کربن بر تصمیمات‌شان می‌باشد. با این وجود، این اقدامات همچنان در مقیاسی کوچک اجرا شده، غیریکپارچه بوده و محدود به داده‌های قابل دسترس می‌باشند.

    عمومی شدن داده‌ها در نهایت نیازمند یک اقدام سیاسی کلان و جامع می‌باشد. با «عمومی‌سازی داده‌ها» در سطح ناحیه‌ای و محلی، هوش مصنوعی‌ها به شهرها و کشورها کمک خواهد کرد تا تولیدات گلخانه‌ای خود را کاهش دهند. دیوید رلنیک از دانشگاه پنسیلوانیا به همراه ۲۱ متخصص یادگیری ماشین دیگر در سال ۲۰۱۹ مقاله‌ای منتشر کردند که به محبوبیتی گسترده دست یافت؛ این مقاله توضیح می‌دهد که هیچ محدودیتی نمی‌توان برای کارکردهای این فناوری در نظر گرفت.

    چالش دوم

    این مسئله چالش عمده‌ی دوم را مطرح می‌کند: چه کسی این داده‌ها و الگوریتم‌ها را مدیریت خواهد کرد؟ در حال حاضر هیچ پاسخ خوب و کاملی برای این پرسش وجود ندارد. طی دهه‌ی آینده، با ایجاد پشتوانه‌های مالی جدید و متفاوت، مسیر را برای مدیریت و به اشتراک‌گذاری داده‌ها در زمینه‌های گوناگون هموار کنیم.

    به عنوان مثال، بهترین راهکار برای حوزه‌هایی همچون حمل و نقل و یا انرژی، احتمالاً همکاری بخش خصوصی و دولتی در مسائلی همچون جمع‌آوری داده‌های کنتورهای هوشمند خواهد بود. با این حال، در حوزه‌هایی مانند تحقیق و پژوهش، بدنه‌های تماماً دولتی (عمومی) مناسب‌تر به نظر می‌رسند.

    کمبود این دست مؤسسات را می‌توان یکی از دلایل اصلی این دانست که پروژه‌های هوشمندسازی شهر مانند Alphabet’s Sidewalk Labs در تورنتو و یا Replica در پورتلند با شکست مواجه می‌شوند؛ پروژه‌هایی از این دست یا نمی‌توانند اعتماد عموم مردم را جلب کنند و یا قادر نیستند داده‌هایی فراهم آورند که به اندازه‌ی کافی به حریم خصوصی حساس باشند.

    علاوه بر این‌ها، نیاز به قوانین و دستورالعمل‌های جدید نیز احساس می‌شود. یک راهکار این است که به اشتراک‌گذاری داده‌ها را جزو شرایط دریافت گواهی کار قرار دهیم. بدین ترتیب، مجموعه‌های خصوصی که برق تولید کرده، بر شبکه‌های اینترنت ۵G نظارت داشته، از خیابان‌های شهر استفاده کرده (مانند اوبر و اسنپ)، و یا خواستار مجوز برنامه‌ریزی محلی هستند موظف می‌شوند داده‌های مربوطه را در قالبی استاندارد، بدون نام و قابل خواندن برای ماشین‌ها ارائه دهند.

    ناتوانی در استفاده از هوش مصنوعی در مسیر درست

    این موارد تنها چند نمونه از تغییرات ساختاری را نشان می‌دهند که حوزه‌ی فناوری را قادر می‌سازند در جبهه‌ درست علیه تغییرات جوی مبارزه کند. این‌که نمی‌توانیم قابلیت‌های هوش مصنوعی را در مسیر درست به کار بگیریم نشان از عدم توازنی عمیق در سازمان‌های عمومی (دولتی) و همچنین غلبه‌ی مدل‌های کسب و کاری دارد که متمرکز بر استخراج و بهره‌برداری از داده‌ها هستند.

    به عنوان مثال، اتحادیه اروپا آژانس‌های مالی (همچون بانک سرمایه‌گذاری اروپا) را دارد؛ اما فاقد مؤسسات تخصصی در این مقیاس است که بتوانند جریان داده‌ها و دانش را جهت ببخشند. شاید سازمان کمک‌هزینه‌های مالی بین‌المللی و بانک جهانی را داشته باشیم اما سازمانی که همین نقش را در دنیای داده‌ها ایفا کند در دست نداریم.

    این مشکل حل‌شدنی است. اما قبل از هرچیز باید به رسمیت شناخته شود. تنها در این صورت است که شاید سهم اندکی از سرمایه‌های عظیم موجود برای محیط زیست به این سمت روانه شود و نهایتاً بتوان آن را در حوزه‌ی بنیادین داده و دانش صرف کرد که لزوم بالایی دارد.

    به نظر شما استفاده از فناوری هوش مصنوعی چه آسیب‌ها و مزایایی می‌تواند برای بشر داشته باشد؟

    انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۰ میانگین: ۰]

    استفاده از حملات تخاصمی برای افزایش دقت پیش‌بینی انرژی مولکولی

    مقاله قبلی

    آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس ؛ آزمون پایان فصل (قسمت یازدهم)

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    1 اظهار نظر

    1. هوش مصنوعی و استفاده از آن در دنیا در حال پیشرفت است و طبیعتا تا زمانی که به طور کامل به تکامل نرسد، مشکلاتی هم خواهد داشت. اما باید از همین حالا و در شرایطی که هنوز بشر در استفاده از این فناوری به تکامل نرسیده، متخصصان و محققان بر روی رفع مشکلات آن هم تمرکز کنند.

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *